跳到正文

多模态

文本之外的能力:视觉理解、图文混合、音视频输入输出的模型与产品进展。

592 条精选相关主题图像生成AI 视频语音与音频

最新精选

第 141–160 条 · 共 592 条

8月1日星期六

FT · 科技

Google Earth 上线没几天的 AI 卫星图功能被紧急下架,因为它会凭空捏造建筑和道路

Google 在 7 月 31 日关掉了 Google Earth 里刚推出几天的“AI 卫星视图”。这个功能本意是用生成式 AI 把模糊的卫星照片变清晰,结果用户发现它会在真实地形上自己“脑补”出建筑、道路和车辆。Google 确认该功能“没达到质量标准”,已经下线,但没说具体是什么条件触发了模型胡编乱造,也没给修复时间。

推荐理由:Google 在 7 月 31 日下线了 Google Earth 上线仅数日的 AI 卫星视图功能,该功能会把模糊卫星照片变清晰,却自行生成出建筑、道路和车辆。

TechCrunch · AI

Google 上线一天就砍掉 Earth AI 生图功能,BBC 记者当场演示它能造假新闻

Google 周四在 Google Earth 里接入了 Nano Banana 2 生图模型,让用户输入文字就能在真实卫星地图上叠加任意 AI 生成的图像。BBC 记者立刻发帖嘲讽,说这个功能简直是给假新闻配图的利器,并当场生成了几张看起来很真的灾难现场图。

推荐理由:Google 在 Google Earth 接入 Nano Banana 2 生图模型,用户输入文字即可在真实卫星地图上叠加 AI 图像,BBC 记者随即生成逼真灾难现场图,功能上线一天后即被撤下。

The Verge · AI

Google 地球里塞了个 AI 生图工具,已经能造出以假乱真的卫星照片了

Google 地球新出的“Dream House”功能,本意是让你用文字生成航拍风格的房屋图片。但安全研究员 Henk van Ess 发现,只要在提示词里加上“卫星视图”,就能绕过内容过滤器,生成非常逼真的假卫星图。Google 虽然加了水印和限制,但把关键词换成“航拍视图”照样能出图。

推荐理由:安全研究员 Henk van Ess 发现,在 Google 地球的 Dream House 提示词里加上卫星视图即可绕过内容过滤器生成逼真假卫星图,换成航拍视图同样有效。

7月30日星期四

The Verge · AI

xAI 赶在明尼苏达州反“一键脱衣”法生效前起诉,称 Grok 生成露骨图片是言论自由

明尼苏达州一项禁止用 AI 生成未经同意的假裸照的法律马上要生效,xAI 在最后一刻提起了诉讼。xAI 认为这条法律写得太宽泛,会连带限制 Grok 的图像生成功能,违反了第一修正案对言论自由的保护。在法庭文件里,xAI 把 Grok 描述成一个“有态度、爱讽刺”的 AI 助手,说它生成的露骨图片是一种表达形式。

推荐理由:xAI 在明尼苏达州反 AI 假裸照法生效前提诉,主张该法限制 Grok 图像生成并援引第一修正案,案件涉及生成式 AI 与言论自由的边界。

7月29日星期三

The Verge · AI

艺术家们开始集体起诉 AI 公司,部分案件已熬过第一轮驳回动议

插画师、作家和音乐人正在对 Google、Meta、Anthropic 等公司提起版权诉讼。文章追踪了最近的案件进展:一些法院驳回了科技公司要求撤诉的动议,让官司得以继续推进。艺术家们对胜诉的信心比之前高了一些,但对 AI 的整体走向仍然悲观。正文没披露具体的赔偿金额或和解细节。

推荐理由:插画师、作家和音乐人起诉 Google、Meta、Anthropic 等公司的版权案中,部分法院驳回科技公司的撤诉动议,案件得以继续推进。

7月28日星期二

Hacker News 首页

Kimi K3 架构解读:2.8 万亿参数开源模型,全身都是为推理省钱的改造

Sebastian Raschka 拆解了刚发布的 Kimi K3 架构。这个 2.8 万亿参数的开源模型是从去年 48B 的 Kimi Linear 放大来的,目前是最大的开源权重模型。设计上几乎全在给推理阶段省成本:用 LatentMoE 把大线性层压缩起来,类似给模型瘦身;标准注意力换成了多头潜在注意力和 Kimi Delta 注意力。

推荐理由:Sebastian Raschka 拆解了 Kimi K3 的架构,从 48B 的 Kimi Linear 放大到 2.8 万亿参数,重点说明 LatentMoE 与两种注意力改造如何降低推理成本。

The Verge · AI

Hugging Face 上架了一堆“一键脱衣”模型,专挑女性和儿童下手

The Verge 的调查发现,Hugging Face 托管了大量能生成裸照的模型,很多伪装成“换装”或“时尚编辑”工具,只需要一张照片就能输出裸体图像,目标直指女性和儿童。平台目前几乎没有系统级防护,也不会主动扫描上传的模型。Hugging Face 说自己靠人工审核举报,但正文没披露审核团队规模和响应时间。

推荐理由:The Verge 调查发现 Hugging Face 托管大量可生成裸照的模型,多伪装成换装或时尚编辑工具,平台不主动扫描上传模型,仅靠人工审核举报。

7月27日星期一

AI HOT 精选

月之暗面把 Kimi K3 的模型权重、技术报告和三项基础设施技术一起公开了

Kimi K3 是一个 2.8 万亿参数的混合专家模型,也就是把任务分给不同专家模块处理,不用每次激活全部参数,能省算力。它原生支持图片理解,单次能处理 100 万 token 的上下文,相当于一次能读完《三体》三部曲还有余。团队说规模化效率比上一代 K2.5 提高了 2.5 倍,这个数字说明用同样资源能训出更强的模型,或者训同样水平的模型成本更低。

推荐理由:月之暗面公开 Kimi K3 的模型权重、技术报告和三项基础设施技术,这个 2.8 万亿参数混合专家模型单次可处理 100 万 token 上下文,规模化效率较上一代 K2.5 提升 2.5 倍。

AI HOT 精选

Kimi 开源 K3 模型:2.8 万亿参数 MoE,原生支持图像和 100 万 token 上下文

Kimi 把自家最强的模型 K3 开源了。这是个 2.8 万亿参数的混合专家模型,不用外挂就能直接理解图像,单次能处理的上下文长达 100 万 token。官方说新架构让每单位算力产出的智能提升了 2.5 倍——打个折理解,就是同等算力下模型更聪明了。这次不光放出了模型权重,还一起开源了高性能注意力计算内核、MoE 通信库和一个大规模智能体运行环境。

推荐理由:月之暗面开源 2.8 万亿参数 MoE 模型 K3,支持原生图像理解和 100 万 token 上下文,同时放出注意力内核、MoE 通信库与智能体运行环境。

7月26日星期日

Computing Life · Share · 鸭哥调研

27B 模型塞进 iPhone 了,现在该问它到底能干嘛

Bonsai 27B 把 Qwen3.6-27B 压到了约 1.125 bit/权重,在 iPhone 17 Pro Max 上运行时占用约 3.9 GB 内存,15 项思考模式测试平均分 76.11,保留了原模型约 89.5% 的能力,但看图(59.57 分)和工具调用(66.03 分)掉得比较厉害。

推荐理由:Bonsai 27B 把 Qwen3.6-27B 压到约 1.125 bit 权重跑进 iPhone,占用约 3.9 GB 内存并保留原模型约 89.5% 能力,端侧部署的取舍有了具体参照。

7月25日星期六

Computing Life · Share · 鸭哥调研

Netflix 用 AI 做了约 300 部片子,主要在后期,不是一键拍电影

Netflix 在 2026 年二季度股东信里说,大约有 300 个片目用上了生成式 AI 的工作流,大头在后期制作。电话会议补充了具体用法:场景参考、镜头规划、预演和视觉特效。在《The American Experiment》里,17 分钟 AI 增强画面的制作速度大概是之前方案的两倍,成本降了一半——这只是个案,不能当成行业规律。

推荐理由:Netflix 在股东信和电话会议中披露约 300 个片目用上生成式 AI,集中在场景参考、镜头规划、预演和视觉特效等后期环节,并给出一个个案的速度与成本对比。

Hacker News 首页

Anthropic 发布 Claude Opus 5 系统卡:代理编程和长任务能力大幅提升,对齐评分创下新高

Claude Opus 5 是 Opus 4.8 的升级版,主要提升在代理编程、操控电脑和长链条知识工作上,数学和科学推理也有进步。Anthropic 评估其整体对齐风险为“非常低”,模型没有跨过自动 AI 研发或新型生物武器的能力门槛。

推荐理由:Anthropic 发布 Claude Opus 5 系统卡,给出代理编程、操控电脑和长链条知识工作的能力提升幅度,并评估整体对齐风险与自动 AI 研发、新型生物武器的能力门槛。

7月24日星期五

Hacker News 首页

FLUX 3 开始控制机器人:一个模型同时生成视频和预测动作

Black Forest Labs 把早期版 FLUX 3 装到了 mimic 的机器人上,已经在奥迪产线做过测试。FLUX 3 是一个模型同时生成图像、视频和音频,其中视频预测占了训练算力的 95% 以上。为了不出现画面穿帮,模型必须学会接触、运动和因果关系。把动作预测作为低维模态加进去时,视频质量一度掉了 10%,但训练 3500 步后就完全恢复。

推荐理由:Black Forest Labs 将早期版 FLUX 3 接入 mimic 机器人并在奥迪产线测试,把动作预测作为低维模态加入后视频质量先降 10%,训练 3500 步即恢复。

AI HOT 精选

Black Forest Labs 发布 FLUX 3,一个模型搞定图像、视频和音频,一次能生成 20 秒带声音的视频

FLUX 3 用统一架构把图像、视频和音频放在一起学,不再拆成几个模型拼凑。它一次能输出最长 20 秒的视频,并且自带原生音频,支持文生视频、图生视频、视频续写、关键帧转视频和多镜头串联。

推荐理由:Black Forest Labs 发布 FLUX 3,用统一架构把图像、视频和音频放在一起训练,单次可输出最长 20 秒带原生音频的视频,并支持多镜头串联。

The Verge · AI

Claude 的语音模式现在支持 Opus 和 Sonnet,还能读你的 Gmail 和 Slack

Anthropic 把语音模式从 Haiku 扩展到了 Opus 和 Sonnet,三个模型现在都能用语音交互了。更实际的变化是,语音模式可以接入 Gmail、Slack 这类应用,直接读出你的邮件和消息。不过正文没提延迟和准确率数据,实际体验好不好用,建议等上手测试再说。

推荐理由:Anthropic 将语音模式从 Haiku 扩展到 Opus 和 Sonnet,并接入 Gmail、Slack 直接读出邮件和消息,语音交互的模型覆盖与可接入应用范围由此扩大。

7月23日星期四

AI HOT 精选

谷歌把 Gemini 3.6 Flash 和 3.5 Flash-Lite 转正了,更便宜也更省 token

谷歌正式发布了 Gemini 3.6 Flash 和 3.5 Flash-Lite,两个模型都支持 100 万 token 的上下文窗口和 6.4 万 token 的最大输出。

推荐理由:谷歌将 Gemini 3.6 Flash 和 3.5 Flash-Lite 转为正式版,两者均支持 100 万 token 上下文窗口与 6.4 万 token 最大输出,定价较前代更低。

7月22日星期三

AI HOT 精选

实测通义千问图像模型 3.0:中文长文字不崩、多图融合能打,跟 GPT Image2 有来有回

阿里放出了 Qwen-Image-3.0,一次能塞 4.5k token 的指令,支持 12 种语言和 20 多种字体。作者拿它跑了 19 个场景,包括中文长文本、多语言混排、UI 界面、多图融合和图片编辑。结果文字基本不花,信息也对得上,画质跟 GPT Image2 差不多。国内直接能用,速度不慢,价格也不算贵,但正文没给出具体价格和延迟数字。

推荐理由:作者用19个场景实测Qwen-Image-3.0,覆盖中文长文本、多语言混排、UI界面与多图融合,文字基本不花,画质与GPT Image2接近,国内可直接使用。

Hacker News 首页

让 GPT-5.6、Claude、Gemini 和 Grok 用彩色铅笔“画”蒙娜丽莎

TryAI 搭了个画布擂台,给 GPT-5.6 Sol、Claude Fable 5、Grok 4.5 和 Gemini 3.6 Flash 一套彩色铅笔工具,让它们照着蒙娜丽莎和星月夜两张图复刻,外加五道开放命题作画,一共跑了 28 幅。模型可以自己选颜色、笔尖粗细、下笔力度,还能涂抹、擦除、随时看一眼画布再改。

推荐理由:TryAI 搭了个画布擂台,给 GPT-5.6 Sol、Claude Fable 5、Grok 4.5 和 Gemini 3.6 Flash 一套彩色铅笔工具,让它们照着蒙娜丽莎和星月夜复刻,外加五道开放命题,一共跑了 28 幅。模型可以自己选颜色、调笔尖粗细、控制下笔力度,还能涂抹、擦除、随时看一眼画布再改。GPT-5.6 Sol 在结构相似度上领先,但每笔成本也最高;Gemini 3.6 Flash 便宜但细节糊成一团。这个测试把“工具调用 + 视觉反馈”的差距直接摊在画布上,比跑分直观得多。

AI HOT 精选

Google 发了三款新 Gemini 模型,但旗舰 3.5 Pro 还是没影

Google DeepMind 一口气放出 Gemini 3.6 Flash、3.5 Flash-Lite 和 3.5 Flash Cyber。3.6 Flash 是新的主力,写代码和处理多模态任务更强,token 消耗最多能降 17%,比上一代 3.5 Flash 更便宜。

推荐理由:Google DeepMind 发布 Gemini 3.6 Flash 等三款模型,3.6 Flash 成为新主力,写代码与多模态能力提升,token 消耗最多降 17%,比 3.5 Flash 更便宜。

7月21日星期二

Google DeepMind

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 与 3.5 Flash Cyber

Google DeepMind 发布 Gemini 3.6 Flash、3.5 Flash-Lite 和面向安全的 3.5 Flash Cyber 三款新模型。

推荐理由:Gemini 3.6 Flash 相比 3.5 Flash 输出 token 用量减少 17%,每百万输出 token 定价 7.50 美元,同时多项基准成绩提升。